Máquina de aprendizaje y sin etiqueta de identificación de subtipos de linfocitos usando proyección de imagen tridimensional fase cuantitativa

Jonghee Yoon; YoungJu Jo; Young Seo Kim; Yeongjin Yu; Jiyeon Park; Sumin Lee; Wei Sun Park; YongKeun Park

doi:10.3791/58305

Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Máquina de aprendizaje y sin etiqueta de identificación de subtipos de linfocitos usando proyección de imagen tridimensional fase cuantitativa

11.8K visualizaciones

⸱

DOI:

10.3791/58305

⸱

19 de noviembre de 2018

Jonghee Yoon¹ , YoungJu Jo²^,³^,⁴^,⁷ , Young Seo Kim³^,⁴^,⁵ , Yeongjin Yu²^,³ , Jiyeon Park⁶ , Sumin Lee⁴ , Wei Sun Park²^,³ , YongKeun Park²^,³^,⁴

¹Department of Physics, University of Cambridge, ²Department of Physics, Korea Advanced Institute of Science and Technology, ³KAIST Institute for Health Science and Technology, Korea Advanced Institute of Science and Technology, ⁴Tomocube, Inc., ⁵Department of Chemical and Biomolecular Engineering, Korea Advanced Institute of Science and Technology, ⁶Department of Biological Sciences, Korea Advanced Institute of Science and Technology, ⁷Department of Applied Physics, Stanford University

En este artículo

Resumen

Se describe un protocolo para la identificación de subtipos de linfocitos usando proyección de imagen de fase cuantitativa y un algoritmo de aprendizaje automático libre de etiqueta. Las mediciones de índice de refracción 3D tomogramas de linfocitos presentan 3D información morfológica y bioquímica de células individuales, que luego se analiza con un algoritmo de aprendizaje automático para la identificación de tipos de la célula.

Resumen

Describimos aquí un protocolo para la identificación de subtipos de linfocitos usando proyección de imagen de fase cuantitativa y el aprender de máquina libre de etiqueta. La identificación de subtipos de linfocitos es importante para el estudio de la inmunología, así como diagnóstico y tratamiento de diversas enfermedades. En la actualidad, los métodos estándar para la clasificación de tipos de linfocitos dependen de etiquetado de proteínas de membrana específicas mediante reacciones antígeno-anticuerpo. Sin embargo, estas técnicas de etiquetado llevan los riesgos potenciales de alteración de las funciones celulares. El protocolo descrito aquí supera estos desafíos aprovechando intrínsecos contrastes ópticos mide la proyección de imagen 3D fase cuantitativa y un algoritmo de aprendizaje automático. La medición de los tomogramas 3D índice de refracción (RI) de linfocitos proporciona información cuantitativa sobre morfología 3D y fenotipos de células individuales. Los parámetros biofísicos extraídos de los tomogramas de RI 3D medidos entonces se analizan cuantitativamente con un algoritmo de aprendizaje de máquina, permitiendo libre de etiqueta de identificación de tipos de linfocitos a nivel unicelular. Medimos los tomogramas RI 3D de linfocitos B, T CD4 + y T CD8 + e identifica los tipos de la célula con más del 80% exactitud. En este protocolo, se describen los pasos detallados para aislamiento de linfocitos, la proyección de imagen 3D fase cuantitativa y el aprender de máquina para identificar los tipos de linfocitos.

Introducción

Los linfocitos pueden clasificarse en varios subtipos, incluyendo B, helper (CD4 +) T, T citotóxico (CD8 +) y T reguladora las células. Cada tipo de linfocito tiene un papel diferente en el sistema inmune adaptativo; por ejemplo, los linfocitos B producen anticuerpos, mientras que los linfocitos T detectan antígenos específicos, eliminan las células anormales y regulan los linfocitos B. Regulación y la función del linfocito es firmemente controlado por y relaciona con diversas enfermedades, incluyendo cáncer¹, enfermedades autoinmunes²y³de las infecciones virales. Por lo tanto, la identificación d....